Ασαφής και εξελικτική υπολογιστική στην επεξεργασία εικόνων μαστογραφίας
Fuzzy and evolutionary computing in mmage mammography processing
Λέξεις-κλειδιά
Μαστογραφία ; Ασαφή συστήματα ; Ασαφή συστήματα τύπου-2 ; Γενετικός αλγόριθμος ; Ταξινόμηση ; Ασαφής ομαδοποίηση C-μέσων ; Νευρο-ασαφή συστήματα συμπερασμούΠερίληψη
Ένας καλά μελετημένος τομέας είναι η ανάπτυξη συστημάτων διάγνωσης με τη βοήθεια υπολογιστή για την ταξινόμηση καλοήθων-κακοήθων παθολογιών που ανιχνεύονται στη μαστογραφία. Η φύση του παρεγχύματος του μαστού δημιουργεί σημαντικές αβεβαιότητες όσον αφορά το σχήμα και τη γεωμετρία της παθολογίας, οι οποίες μπορεί να οδηγήσουν σε λανθασμένη διάγνωση. Οι ίδιες αβεβαιότητες προσδίδουν στις μαστογραφίες τις ασαφείς ιδιότητές τους που είναι απαραίτητες ώστε να εφαρμοστεί η ασαφής επεξεργασία. Η θεωρία των ασαφών συνόλων λαμβάνει υπόψη την αβεβαιότητα με τη μορφή συναρτήσεων συμμετοχής, οπότε τα ασαφή σύνολα μπορούν να χειριστούν ελλιπή δεδομένα, εάν αυτή η έλλειψη προέρχεται από ασάφεια και όχι από τυχαιότητα. Η βελτίωση της αντίθεσης με ασάφεια έχει την ικανότητα να βελτιώσει την ανίχνευση ακμών και κατά συνέπεια την ποιότητα των σχετικών χαρακτηριστικών της ταξινόμησης των εικόνων. Στην παρούσα εργασία προτείνονται κλασικά ασαφή σύνολα (λεκτικο-διαμορφωτές και ασαφείς συναρτήσεις βελτίωσης), προηγμένα ασαφή σύνολα (διαισθητικά, πυθαγόρεια και φερμάτεια ασαφή σύνολα), γενετικοί αλγόριθμοι βελτιστοποίησης, και τεχνικές σύντηξης εικόνων. Τα προηγμένα ασαφή σύνολα παρέχουν καλύτερες πληροφορίες όσον αφορά την αβεβαιότητα την οποία έχει η συνάρτηση συμμετοχής. Τα αποτελέσματα έδειξαν ότι οι διαισθητική μέθοδος είχε συνολικά τις καλύτερες επιδόσεις, όμως οι περισσότερες μέθοδοι μπορούν να χρησιμοποιηθούν αποτελεσματικά ανάλογα με το πρόβλημα που πρέπει να επιλυθεί. Στη συνέχεια τα κλασικά, προηγμένα ασαφή σύνολα και οι τεχνικές σύντηξης για τη ενίσχυση της αντίθεσης των εικόνων κατωφλιώνονται με τη χρήση τριών διαφορετικών μεθόδων κατωφλίωσης (ολική, Otsu και ασαφών συνόλων τύπου -2) και ταξινομούνται με τρεις τρόπους (K-means, FCM και ANFIS) για την ταξινόμηση των μαστογραφικών μαζών. Πραγματοποιήθηκε εκτίμηση σε εξήντα τρείς συνδυασμούς που εξήλθαν από ενενήντα επτά μαστογραφικές μάζες (εξήντα πέντε καλοήθεις και τριάντα δύο κακοήθεις). Η επίδοση των εξήντα τριών συνδυασμών εκτιμήθηκε με βάση την ακρίβεια, την τιμή F1 και την περιοχή κάτω από την καμπύλη ROC (AUC). Η ακρίβεια της βελτίωσης του LH-XWW με τη χρήση κατωφλίου Otsu και του ταξινομητή FCM ήταν η καλύτερη με 95,17%, τιμή F1 89,42% και AUC 0,91 Γενικότερα, ο FCM ήταν ο καλύτερος ταξινομητής για τη διάγνωση μαζών των μαστογραφιών.
Περίληψη
A well-studied area is the development of computer-aided diagnostic systems for the classification of benign-malignant pathologies detected on mammography. The nature of the breast parenchyma creates significant uncertainties regarding the shape and geometry of the pathology, which can lead to misdiagnosis. The same uncertainties give mammograms their fuzzy properties that are necessary for fuzzy processing to be applied. Fuzzy set theory takes uncertainty into account in the form of membership functions, so fuzzy sets can handle missing data if that missingness comes from vagueness rather than randomness. Fuzzy contrast enhancement has the ability to improve edge detection and consequently the quality of the associated features of image classification. At this work, classical fuzzy sets (linguistic hedges and fuzzy enhancement functions), advanced fuzzy sets (intuitionistic, pythagorean, and fermatean fuzzy sets), genetic optimization algorithms, and image fusion techniques are proposed. Advanced fuzzy sets provide better information regarding the uncertainty of the membership function. The results showed that the intuitionistic method performed best overall, but most methods can be used effectively depending on the problem to be solved. Then the classical, advanced fuzzy sets and fusion techniques for image contrast enhancement are thresholded using three different thresholding methods (Global, Otsu and type II fuzzy sets) and classified in three ways (K-means, FCM and ANFIS) to classify the breast masses. The evaluation was done on sixty-three combinations that were based on ninety-seven digital mammographic masses. The evaluation of the system was estimated from the accuracy, the F1 score and the area under the curve (AUC). The accuracy of the enhancement method LH-XWW using Otsu threshold and FCM classifier was the best with 95.17%, F1 score 89.42% and AUC 0.91. Overall, FCM was the best classifier for mass diagnosis of mammograms.
Αριθμός σελίδων
83Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών ΒιοϊατρικήςΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές